【技术实现步骤摘要】
本专利技术涉及智能家居，尤其涉及一种智能家居声波监控系统及监控方法。
技术介绍
1、当前应用于智能家居活动监测方面的产品，主要有视频监控方案、各种监测传感器方案（如人体感应、声响报警、红外感应等），这类产品在使用时存在比较突出的缺点：视频监控方案有光照、视角、个人隐私等方面的问题，各种监测传感器方案，用途单一，只能提供一些基于事先设定阈值进行有、无逻辑判定的简单功能，安装占用空间且麻烦。
技术实现思路
1、针对现有技术存在的上述不足，本专利技术的目的在于提供一种智能家居声波监控系统及监控方法，能够解决家居活动监测场景中，视频监控方案存在光照、视角、个人隐私等方面的问题，各种监测传感器功能单一，监控准确性低、效果差，安装占用空间且麻烦问题。
2、为了解决上述技术问题，本专利技术采用的技术方案是这样的：一种智能家居声波监控系统，其特征在于：包括麦克风阵列拾音器、ai边缘计算服务器、云端平台以及远程控制终端；
3、所述麦克风阵列拾音器包括语音处理器和多个超声波mems麦克风，且多个超声波mems麦克风呈360°环绕分布以拾取各个方向的声波；在麦克风阵列拾音器内设置有无线通信模块，所述超声波mems麦克风和无线通信模块均与语音处理器相连；
4、所述ai边缘计算服务器也内置有通信模块，并能够与麦克风阵列拾音器进行组网通信，以统一控制各麦克风阵列拾音器，并处理麦克风阵列拾音器传递的声音数据和位置数据，并结合空间场景数据，实现监测；同时，ai边缘计算服务器与云
5、所述云端平台同时与ai边缘计算服务器和远程控制终端进行通信，以基于ai边缘计算服务器进行系统化管理，数据库管理以及数据模型持续优化；同时，结合远程控制终端实现多场景、差异化、个性化的监测。
6、进一步的，所述超声波mems麦克风频率响应范围为100hz ~ 80khz，以拾取到场景中的各种频段的声波信号。
7、进一步的，所述ai边缘计算服务器基于nvidia的边缘嵌入式计算模组jetsonxavier nx搭建。
8、进一步的，ai边缘计算服务器内置的通信模块采用有线模块、wifi模块、蓝牙模块和或4g/5g模块。
9、进一步的，所述远程控制终端采用手机，其内置有能够与云端平台进行交互的app。
10、一种智能家居声波监控方法，其特征在于：具体过程如下：
11、1）在监控区域内的墙壁和/或屋顶上安装多个所述麦克风阵列拾音器；
12、2）基于麦克风阵列拾音器的超声波mems麦克风采集麦克风阵列拾音器安装覆盖范围内的环境声音；
13、3）语音处理器将各麦克风阵列拾音器采集的环境声音进行预处理后存储到原始声波数据库中；
14、4）ai边缘计算服务器按统一同步时钟控制麦克风阵列拾音器进行数据采集，并创建原始声波数据库，声音特征数据库，声音识别模型数据库；然后，按序对原始声波数据库中的原始声波数据进行特征提取，并根据声音识别模型，对环境声音进行声音识别；同时，根据传递环境声音的麦克风阵列拾音器，对环境声音的位置进行判定；再对环境声音的类型和位置进行融合，得到声音对应声音行为、声音事件、声音场景、语音以及声音位置及轨迹；
15、5）云端平台与ai边缘计算服务器进行数据交互，为ai边缘计算服务器提供各种声音识别模型数据库，并根据ai边缘计算服务器传递的数据对各种模型进行优化；同时，云端平台与远程控制终端进行数据交互，以通过远程控制终端进行ai边缘计算服务器的声音识别模型数据库中声音识别模型的选择、增加或删减；并通过远程控制终端进行监控结果的查询。
16、进一步的，步骤4）中，基于到达时延差，单个麦克风阵列拾音器上的多个mems麦克风采集的多路声波信号经过解算得到其信号时间差，并计算出声源距离；同时，根据多个mems麦克风接收的来自于同一个声源的声波信号当前声源进行空间定位。
17、进一步的，步骤4）中，声音识别模型包括声音类型识别模型、声音行为识别模型、声音时间识别模型、声音场景识别模型以及语音识别模型。
18、进一步的，步骤4）中，进行环境噪声提取、共性特征提取、差异化特征提取以及时域特征提取。
19、进一步的，步骤4）中，将多个位置安装的麦克风阵列拾音器，通过局域网联网形成声音监听集群，对多个麦克风阵列拾音器采集的多通道定位数据进行数据融合处理后，得到当前声源所处的室内空间位置。
20、与现有技术相比，本专利技术具有如下优点：
21、1、通过对多位置、多角度声音的监控，经多模型的识别、解算，能够充分对监控区域内的事件进行监控和还原，避免因光照、视角、个人隐私等方面造成的监控盲区问题，并且，整个系统的布置、安装占用方便，空间占用更小。
22、2、使用超声波mems麦克风可以拾取到比普通音频麦克风（频响范围20hz~20khz）更宽频谱的声波信号（100hz~80khz），采集的声波信号数据细节更丰富，更能真实还原；基于人工智能深度学习算法，对采集的声波信号进行特征提取，建立各种声音特征模型，可实现场景中更准确的声音类型识别、语音识别，以及声音与行为的关联性识别。
23、3、采用多层次边缘计算架构，提高系统实时响应速度，大幅减少网络数据传输量，节省网络带宽，降低系统整体功耗；在声音采集设备上设置智能语音处理器，采集的声波数据直接在端侧进行数据预处理、数据特征提取、数据模型预训练等大数据量的原始数据处理；在应用场景中设置ai边缘计算服务器，统一管理所有的声音采集设备，按统一同步时钟进行数据采集，创建原始声波数据库，声音特征数据库，声音模型数据库，实现场景内声源识别、声源定位等功能；云端平台系统则统一管理不同场景中的ai边缘计算服务器，统一管理各种类型数据库，各种模型优化，提供定制化的监测功能和服务。
24、4、使用高性能智能语音处理器、低功耗高性能边缘嵌入式计算模组及人工智能声音识别学习算法进行自主模型训练的模式，核心思想是对声音与行为的内在关联的持续智能化自主学习，系统可以方便的进行功能多样化扩展，运行中增加、删减、改变监测任务等，只需在云端设置不同的监测模型即可。
本文档来自技高网...【技术保护点】
1.一种智能家居声波监控系统，其特征在于：包括麦克风阵列拾音器、AI边缘计算服务器、云端平台以及远程控制终端；
2.根据权利要求1所述的一种智能家居声波监控系统，其特征在于：所述超声波MEMS麦克风频率响应范围为100Hz ~ 80kHz，以拾取到场景中的各种频段的声波信号。
3.根据权利要求1所述的一种智能家居声波监控系统，其特征在于：所述AI边缘计算服务器基于NVIDIA的边缘嵌入式计算模组Jetson Xavier NX搭建。
4.根据权利要求1所述的一种智能家居声波监控系统，其特征在于：AI边缘计算服务器内置的通信模块采用有线模块、WiFi模块、蓝牙模块和或4G/5G模块。
5.根据权利要求1所述的一种智能家居声波监控系统，其特征在于：所述远程控制终端采用手机，其内置有能够与云端平台进行交互的APP。
6.一种智能家居声波监控方法，其特征在于：具体过程如下：
7.根据权利要求6所述的一种智能家居声波监控方法，其特征在于：步骤4）中，基于到达时延差，单个麦克风阵列拾音器上的多个MEMS麦克风采集的多路声
8.根据权利要求6所述的一种智能家居声波监控方法，其特征在于：步骤4）中，声音识别模型包括声音类型识别模型、声音行为识别模型、声音时间识别模型、声音场景识别模型以及语音识别模型。
9.根据权利要求8所述的一种智能家居声波监控方法，其特征在于：步骤4）中，对采集的声波信号进行环境噪声提取、共性特征提取、差异化特征提取以及时域特征提取。
10.根据权利要求6所述的一种智能家居声波监控方法，其特征在于：步骤4）中，将多个位置安装的麦克风阵列拾音器，通过局域网联网形成声音监听集群，对多个麦克风阵列拾音器采集的多通道定位数据进行数据融合处理后，得到当前声源所处的室内空间位置。
...【技术特征摘要】
1.一种智能家居声波监控系统，其特征在于：包括麦克风阵列拾音器、ai边缘计算服务器、云端平台以及远程控制终端；
2.根据权利要求1所述的一种智能家居声波监控系统，其特征在于：所述超声波mems麦克风频率响应范围为100hz ~ 80khz，以拾取到场景中的各种频段的声波信号。
3.根据权利要求1所述的一种智能家居声波监控系统，其特征在于：所述ai边缘计算服务器基于nvidia的边缘嵌入式计算模组jetson xavier nx搭建。
4.根据权利要求1所述的一种智能家居声波监控系统，其特征在于：ai边缘计算服务器内置的通信模块采用有线模块、wifi模块、蓝牙模块和或4g/5g模块。
5.根据权利要求1所述的一种智能家居声波监控系统，其特征在于：所述远程控制终端采用手机，其内置有能够与云端平台进行交互的app。
6.一种智能家居声波监控方法，其特征在于：具体过程如下：
7.根据权利要求6...
【专利技术属性】
技术研发人员：邵怀荣，潘礼军，刘巧，韩鹏，孙怀义，熊黎丽，余勇，莫斌，罗寿中，
申请(专利权)人：重庆市科学技术研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。